pingcap · yahonda · Aug 20, 2026 · Aug 20, 2026 · Aug 20, 2026 · Aug 21, 2026
diff --git a/README.md b/README.md
@@ -8,7 +8,7 @@ TiDB ドキュメントへようこそ!
 
 TiDB ドキュメント内の特定のコンテンツを自由に並べ替えたり削除したりするなど、特定のシナリオのニーズに合わせて TiDB ドキュメントをローカルでカスタマイズして PDF 形式で出力する場合は、 [TiDBドキュメントPDF生成チュートリアル](/resources/tidb-pdf-generation-tutorial.md)を参照してください。
 
-現在、公式ドキュメントは次の 2 つの言語をサポートしています。
+現在、公式ドキュメントは次の2つの言語をサポートしています。
 
 -   `en` : [英語のドキュメント](https://docs.pingcap.com/tidb/stable)
 -   `zh` : [中国語のドキュメント](https://docs.pingcap.com/zh/tidb/stable)
@@ -63,7 +63,7 @@ Google翻訳を使えば、ドキュメントを様々な言語で閲覧でき
 
 貢献者になるには[TiDB ドキュメント貢献ガイド](/CONTRIBUTING.md)ご覧ください！🤓
 
-<a href="https://next.ossinsight.io/widgets/official/compose-recent-active-contributors?repo_id=63995402&limit=30" target="_blank" style="display: block;" align="center"><picture><source media="(prefers-color-scheme: dark)" srcset="https://next.ossinsight.io/widgets/official/compose-recent-active-contributors/thumbnail.png?repo_id=63995402&limit=30&image_size=auto&color_scheme=dark" width="655" height="auto" /><img alt="pingcap/docs のアクティブな貢献者 - 過去 28 日間" src="https://next.ossinsight.io/widgets/official/compose-recent-active-contributors/thumbnail.png?repo_id=63995402&limit=30&image_size=auto&color_scheme=light" width="655" height="auto" /></picture></a>
+<a href="https://next.ossinsight.io/widgets/official/compose-recent-active-contributors?repo_id=63995402&limit=30" target="_blank" style="display: block;" align="center"><picture><source media="(prefers-color-scheme: dark)" srcset="https://next.ossinsight.io/widgets/official/compose-recent-active-contributors/thumbnail.png?repo_id=63995402&limit=30&image_size=auto&color_scheme=dark" width="655" height="auto" /><img alt="pingcap/docs のアクティブな貢献者 - 過去 28日間" src="https://next.ossinsight.io/widgets/official/compose-recent-active-contributors/thumbnail.png?repo_id=63995402&limit=30&image_size=auto&color_scheme=light" width="655" height="auto" /></picture></a>
 
 ## ライセンス {#license}
 

diff --git a/ai/guides/filtering.md b/ai/guides/filtering.md
@@ -15,7 +15,7 @@ summary: アプリケーションでフィルタリングを使用する方法
 
 `pytidb`を使用する場合、 `table.query()` 、 `table.delete()` 、 `table.update()` 、および`table.search()`メソッドに**filters**パラメータを渡すことでフィルタリングを適用できます。
 
-**フィルター**パラメータは、 [辞書フィルター](#dictionary-filters)と[SQL文字列フィルター](#sql-string-filters) 2 つの形式をサポートします。
+**フィルター**パラメータは、 [辞書フィルター](#dictionary-filters)と[SQL文字列フィルター](#sql-string-filters) 2つの形式をサポートします。
 
 ## 辞書フィルター {#dictionary-filters}
 

diff --git a/ai/guides/reranking.md b/ai/guides/reranking.md
@@ -7,7 +7,7 @@ summary: アプリケーションで再ランキングを使用する方法を
 
 再ランキングは、専用の再ランキング モデルを使用して検索結果を再評価および並べ替えることで、検索結果の関連性と精度を向上させるために使用される手法です。
 
-検索プロセスは次の 2 つの段階で行われます。
+検索プロセスは次の2つの段階で行われます。
 
 1.  **初期検索**: ベクトル検索により、コレクションから最も類似性の高い上位`k`ドキュメントが識別されます。
 2.  **再ランキング**: 再ランキング モデルは、クエリとドキュメント間の関連性に基づいてこれら`k`ドキュメントを評価し、それらを並べ替えて最終的な上位`n`結果 ( `n` ≤ `k` ) を生成します。

diff --git a/ai/guides/tables.md b/ai/guides/tables.md
@@ -88,7 +88,7 @@ CREATE TABLE items (
 <SimpleTab groupId="language">
 <div label="Python" value="python">
 
-`table.insert()`メソッドを使用して、テーブルに 1 つのレコードを挿入します。
+`table.insert()`メソッドを使用して、テーブルに 1つのレコードを挿入します。
 
 ```python
 table.insert(
@@ -104,7 +104,7 @@ table.insert(
 </div>
 <div label="SQL" value="sql">
 
-`INSERT INTO`ステートメントを使用して、テーブルに 1 つのレコードを挿入します。
+`INSERT INTO`ステートメントを使用して、テーブルに 1つのレコードを挿入します。
 
 ```sql
 INSERT INTO items(id, content, embedding, meta)
@@ -162,7 +162,7 @@ VALUES
 <SimpleTab groupId="language">
 <div label="Python" value="python">
 
-辞書と共に`table.insert()`メソッドを使用して、テーブルに 1 つのレコードを挿入します。
+辞書と共に`table.insert()`メソッドを使用して、テーブルに 1つのレコードを挿入します。
 
 ```python
 table.insert({
@@ -176,7 +176,7 @@ table.insert({
 </div>
 <div label="SQL" value="sql">
 
-`INSERT INTO`ステートメントを使用して、テーブルに 1 つのレコードを挿入します。
+`INSERT INTO`ステートメントを使用して、テーブルに 1つのレコードを挿入します。
 
 ```sql
 INSERT INTO items(id, content, embedding, meta)

diff --git a/ai/guides/vector-search-hybrid-search.md b/ai/guides/vector-search-hybrid-search.md
@@ -147,7 +147,7 @@ df = (
 
 融合手法は、ベクトル（意味）検索と全文（キーワード）検索の結果を統合し、単一の統一されたランキングを作成します。これにより、最終結果が意味的な関連性とキーワードの一致の両方を活用できるようになります。
 
-`pytidb` 2 つの融合方法をサポートしています。
+`pytidb` 2つの融合方法をサポートしています。
 
 -   `rrf` : 相互ランク融合 (デフォルト)
 -   `weighted` : 加重スコア融合

diff --git a/ai/guides/vector-search.md b/ai/guides/vector-search.md
@@ -22,7 +22,7 @@ summary: アプリケーションでベクトル検索を使用する方法を
 
 `client.create_table()`を使用してテーブルを作成し、 `VectorField`を使用してベクトル フィールドを定義できます。
 
-次の例では、4 つの列を持つ`documents`テーブルを作成します。
+次の例では、4つの列を持つ`documents`テーブルを作成します。
 
 -   `id` : テーブルの主キー。
 -   `text` : ドキュメントのテキストコンテンツ。
@@ -71,7 +71,7 @@ CREATE TABLE documents (
 -   `text_vec`列は`VECTOR(3)`として定義されているため、この列に格納されるベクトルは 3 次元である必要があります。
 -   ベクトル検索のパフォーマンスを最適化するために、 `VEC_COSINE_DISTANCE`関数を使用してベクトル インデックスが作成されます。
 
-TiDB はベクトル インデックスに対して 2 つの距離関数をサポートしています。
+TiDB はベクトル インデックスに対して 2つの距離関数をサポートしています。
 
 -   `VEC_COSINE_DISTANCE` : 2つのベクトル間のコサイン距離を計算する
 -   `VEC_L2_DISTANCE` : 2つのベクトル間のL2距離（ユークリッド距離）を計算する
@@ -83,7 +83,7 @@ TiDB はベクトル インデックスに対して 2 つの距離関数をサ
 
 デモンストレーションとして、いくつかのテキストとそれに対応する埋め込みをテーブルに挿入します。
 
-次の例では、それぞれ単純な 3 次元ベクトル埋め込みを持つ 3 つのドキュメントを挿入します。
+次の例では、それぞれ単純な 3 次元ベクトル埋め込みを持つ 3つのドキュメントを挿入します。
 
 -   `dog`ベクトル埋め込み`[1, 2, 1]`
 -   `fish`ベクトル埋め込み`[1, 2, 4]`
@@ -293,7 +293,7 @@ LIMIT 10;
 
 TiDB でのベクトル検索では、スカラー フィールド (整数や文字列など) または JSON フィールドにメタデータ フィルタリングを適用できます。
 
-通常、メタデータ フィルタリングと組み合わせたベクトル検索には、次の 2 つのモードがあります。
+通常、メタデータ フィルタリングと組み合わせたベクトル検索には、次の2つのモードがあります。
 
 -   **後フィルタリング**：TiDBはまずベクトル検索を実行し、ベクトル空間全体から上位k個の候補を取得し、その候補セットにフィルターを適用します。ベクトル検索段階では、効率性を高めるため、通常、ベクトルインデックスが使用されます。
 -   **事前フィルタリング**：TiDBはベクトル検索の前にフィルタを適用します。フィルタの選択性が高く、フィルタリング対象フィールドにスカラーインデックスがある場合、このモードにより検索空間が縮小され、パフォーマンスが向上します。

diff --git a/ai/integrations/vector-search-integrate-with-django-orm.md b/ai/integrations/vector-search-integrate-with-django-orm.md
@@ -241,7 +241,7 @@ TiDB Vectorは以下の距離関数をサポートしています。
 -   `CosineDistance`
 -   `NegativeInnerProduct`
 
-コサイン距離関数に基づいて、クエリベクトル`[1, 2, 3]`に意味的に最も近い上位 3 つのドキュメントを検索します。
+コサイン距離関数に基づいて、クエリベクトル`[1, 2, 3]`に意味的に最も近い上位 3つのドキュメントを検索します。
 
 ```python
 results = Document.objects.annotate(

diff --git a/ai/integrations/vector-search-integrate-with-langchain.md b/ai/integrations/vector-search-integrate-with-langchain.md
@@ -415,7 +415,7 @@ TiDBベクトルストア内の各ドキュメントには、JSONオブジェク
 
 ### 例 {#example}
 
-次の例では、2 つのドキュメントを`TiDBVectorStore`に追加し、各ドキュメントにメタデータとして`title`フィールドを追加します。
+次の例では、2つのドキュメントを`TiDBVectorStore`に追加し、各ドキュメントにメタデータとして`title`フィールドを追加します。
 
 ```python
 vector_store.add_texts(

diff --git a/ai/integrations/vector-search-integrate-with-peewee.md b/ai/integrations/vector-search-integrate-with-peewee.md
@@ -232,7 +232,7 @@ Document.create(content='tree', embedding=[1, 0, 0])
 
 ### 最近傍の文書を検索 {#search-the-nearest-neighbor-documents}
 
-コサイン距離関数に基づいて、クエリベクトル`[1, 2, 3]`に意味的に最も近い上位 3 つのドキュメントを検索します。
+コサイン距離関数に基づいて、クエリベクトル`[1, 2, 3]`に意味的に最も近い上位 3つのドキュメントを検索します。
 
 ```python
 distance = Document.embedding.cosine_distance([1, 2, 3]).alias('distance')

diff --git a/ai/integrations/vector-search-integrate-with-sqlalchemy.md b/ai/integrations/vector-search-integrate-with-sqlalchemy.md
@@ -198,7 +198,7 @@ with Session(engine) as session:
 
 ### 最近傍の文書を検索 {#search-the-nearest-neighbor-documents}
 
-コサイン距離関数に基づいて、クエリベクトル`[1, 2, 3]`に意味的に最も近い上位 3 つのドキュメントを検索します。
+コサイン距離関数に基づいて、クエリベクトル`[1, 2, 3]`に意味的に最も近い上位 3つのドキュメントを検索します。
 
 ```python
 with Session(engine) as session:

diff --git a/ai/quickstart-via-python.md b/ai/quickstart-via-python.md
@@ -191,7 +191,7 @@ table.search(
 
 この例では、ベクトル検索はクエリベクトル`text_vec`テーブルの`chunks`フィールドに格納されているベクトルと比較し、類似度スコアに基づいて意味的に最も関連性の高い上位3つの結果を返します。
 
-`_distance`が近いほど、2 つのベクトルはより類似していることを意味します。
+`_distance`が近いほど、2つのベクトルはより類似していることを意味します。
 
 ```json title="Expected output"
 [

diff --git a/ai/quickstart-via-sql.md b/ai/quickstart-via-sql.md
@@ -145,7 +145,7 @@ SELECT * FROM embedded_documents;
 
 この例では、検索語は「泳ぐ動物」であり、それに対応するベクトル埋め込みは`[1,2,3]`であると想定されています。実際のアプリケーションでは、埋め込みモデルを使用して、ユーザーの検索語をベクトル埋め込みに変換する必要があります。
 
-次の SQL ステートメントを実行すると、TiDB はテーブル内のベクトル埋め込み間のコサイン距離 ( `vec_cosine_distance` ) を計算してソートすることにより、 `[1,2,3]`に最も近い上位 3 つのドキュメントを特定します。
+次の SQL ステートメントを実行すると、TiDB はテーブル内のベクトル埋め込み間のコサイン距離 ( `vec_cosine_distance` ) を計算してソートすることにより、 `[1,2,3]`に最も近い上位 3つのドキュメントを特定します。
 
 ```sql
 SELECT id, document, vec_cosine_distance(embedding, '[1,2,3]') AS distance
@@ -167,7 +167,7 @@ LIMIT 3;
 3 rows in set (0.15 sec)
 ```
 
-検索結果の 3 つの用語は、クエリされたベクトルからのそれぞれの距離によってソートされます。距離が小さいほど、対応する`document`の関連性が高くなります。
+検索結果の 3つの用語は、クエリされたベクトルからのそれぞれの距離によってソートされます。距離が小さいほど、対応する`document`の関連性が高くなります。
 
 したがって、出力結果から判断すると、泳いでいる動物は魚か、泳ぎの才能に恵まれた犬である可能性が最も高い。
 

diff --git a/ai/reference/vector-search-data-types.md b/ai/reference/vector-search-data-types.md
@@ -90,14 +90,14 @@ INSERT INTO vector_table VALUES (2, '[0.3, 0.5]');       -- 2 dimensions vector,
 -   `[1,2,3] = [1,2,3]`
 -   `[2,2,3] > [1,2,3]`
 
-異なる次元を持つ 2 つのベクトルは、次の規則に従って辞書式比較を使用して比較されます。
+異なる次元を持つ 2つのベクトルは、次の規則に従って辞書式比較を使用して比較されます。
 
--   2 つのベクトルは最初から要素ごとに比較され、各要素は数値的に比較されます。
+-   2つのベクトルは最初から要素ごとに比較され、各要素は数値的に比較されます。
 -   最初の不一致要素によって、どのベクトルが辞書式に他のベクトルより*小さい*か*大きいかが*決まります。
 -   あるベクトルが別のベクトルの接頭辞である場合、短いベクトルは辞書順でもう一方より*小さく*なります。例えば、 `[1,2,3] < [1,2,3,0]` 。
 -   同じ長さで同一の要素を持つベクトルは辞書的に*等しい*です。
 -   空ベクトルは、辞書順で空でないベクトルよりも*小さい*。例えば、 `[] < [1]` 。
--   2 つの空のベクトルは辞書的に*等しい*です。
+-   2つの空のベクトルは辞書的に*等しい*です。
 
 ベクトル定数を比較する場合は、文字列値に基づく比較を避けるために、文字列からベクトルへの[明示的なキャスト](#cast)実行を検討してください。
 

diff --git a/ai/reference/vector-search-functions-and-operators.md b/ai/reference/vector-search-functions-and-operators.md
@@ -106,7 +106,7 @@ aliases: ['/ja/tidb/stable/vector-search-functions-and-operators/','/ja/tidbclou
 VEC_L2_DISTANCE(vector1, vector2)
 ```
 
-次の式を使用して、2 つのベクトル間の[L2距離](https://en.wikipedia.org/wiki/Euclidean_distance) (ユークリッド距離) を計算します。
+次の式を使用して、2つのベクトル間の[L2距離](https://en.wikipedia.org/wiki/Euclidean_distance) (ユークリッド距離) を計算します。
 
 $距離(p,q)=\sqrt {\sum \limits *{i=1}^{n}{(p* {i}-q_{i})^{2}}}$
 
@@ -132,7 +132,7 @@ SELECT VEC_L2_DISTANCE('[0, 3]', '[4, 0]');
 VEC_COSINE_DISTANCE(vector1, vector2)
 ```
 
-次の式を使用して 2 つのベクトル間の[コサイン距離](https://en.wikipedia.org/wiki/Cosine_similarity)を計算します。
+次の式を使用して 2つのベクトル間の[コサイン距離](https://en.wikipedia.org/wiki/Cosine_similarity)を計算します。
 
 $距離(p,q)=1.0 - {\frac {\sum \limits *{i=1}^{n}{p* {i}q_{i}}}{{\sqrt {\sum \limits *{i=1}^{n}{p* {i}^{2}}}}\cdot {\sqrt {\sum \limits *{i=1}^{n}{q* {i}^{2}}}}}}$
 
@@ -160,7 +160,7 @@ SELECT VEC_COSINE_DISTANCE('[1, 1]', '[-1, -1]');
 VEC_NEGATIVE_INNER_PRODUCT(vector1, vector2)
 ```
 
-次の数式を使用して、2 つのベクトル間の[内積](https://en.wikipedia.org/wiki/Dot_product)の負の値を使用して距離を計算します。
+次の数式を使用して、2つのベクトル間の[内積](https://en.wikipedia.org/wiki/Dot_product)の負の値を使用して距離を計算します。
 
 $DISTANCE(p,q)=- INNER_PROD(p,q)=-\sum \limits *{i=1}^{n}{p* {i}q_{i}}$
 
@@ -186,7 +186,7 @@ SELECT VEC_NEGATIVE_INNER_PRODUCT('[1, 2]', '[3, 4]');
 VEC_L1_DISTANCE(vector1, vector2)
 ```
 
-次の式を使用して、2 つのベクトル間の[L1距離](https://en.wikipedia.org/wiki/Taxicab_geometry) (マンハッタン距離) を計算します。
+次の式を使用して、2つのベクトル間の[L1距離](https://en.wikipedia.org/wiki/Taxicab_geometry) (マンハッタン距離) を計算します。
 
 $距離(p,q)=\sum \limits *{i=1}^{n}{|p* {i}-q_{i}|}$
 

diff --git a/ai/vector-search-get-started-using-python.md b/ai/vector-search-get-started-using-python.md
@@ -203,7 +203,7 @@ vector_store.insert(
 
 このステップでは、「泳ぐ動物」という単語を検索しますが、既存の文書にはこの単語と直接一致するものはありません。
 
-以下のコードは`text_to_embedding()`関数を再度使用してクエリテキストをベクトル埋め込みに変換し、その埋め込みを使用してクエリを実行して、最も近い上位 3 つの一致を見つけます。
+以下のコードは`text_to_embedding()`関数を再度使用してクエリテキストをベクトル埋め込みに変換し、その埋め込みを使用してクエリを実行して、最も近い上位 3つの一致を見つけます。
 
 ```python
 def print_result(query, result):
@@ -226,7 +226,7 @@ Search result ("a swimming animal"):
 - text: "tree", distance: 0.798545178640937
 ```
 
-検索結果の 3 つの用語は、クエリされたベクトルからのそれぞれの距離によってソートされます。距離が小さいほど、対応する`document`の関連性が高くなります。
+検索結果の 3つの用語は、クエリされたベクトルからのそれぞれの距離によってソートされます。距離が小さいほど、対応する`document`の関連性が高くなります。
 
 したがって、出力結果から判断すると、泳いでいる動物は魚か、泳ぎの才能に恵まれた犬である可能性が最も高い。